基于张量秩一分解的磁共振医学影像特征提取方法与流程

本发明涉及一种通用的基于张量秩一分解的磁共振医学影像特征提取方法，属于医学影像处理和特征提取领域。

背景技术：

1、图像特征是指图像中某一类能够区别于其他类特点和性质的集合，预处理后的图像经过测量和抽取，可以直观提取出类似于亮度、边缘、纹理等特征，也可以通过数据转换得到统计矩、直方图、主成分等特征。医学影像特征主要指代影像组学特征(又称放射组学特征)，该类特征是一种特殊的图像特征，它往往只针对影像中roi区域，运用多种统计、纹理、形态学等方法提取特征，有效帮助医生获取患者扫描影像中的重点信息，从而实现早期诊断和治疗。

2、当前最为常见的影像组学特征主要包括一阶统计特征、形态特征、二阶及高级纹理特征等，这些特征基本都是从定量的角度刻画roi中灰度值的特性。例如，一阶特征就是量化待测区域灰度值的对称性、均匀性、强度分布变化等属性，具体表现为该区域灰度的中值、平均值、最大最小值、标准差、偏度峰度等基本的统计指标。

3、从生物学角度来看，医学影像组学特征是从量化的角度为医学研究者提供一种解读肿瘤病理的方向，但对于特定的分类诊疗问题，研究者并不能很好地确定哪些特征能够最直接地影响患者病理类型的判定，从而无法进行精准的诊断预测。随着机器学习和深度学习方法在医学影像病理分析领域的发展和普及，研究者得以不断扩充研究数据集的数量，期望能够使用数据驱动的方式，从医学影像中挖掘出某种病理属性的规律。因此影像结合特征的病理分析预测方式，成为当下最热门也最精确的研究趋势，例如杜克大学医学院的学者通过resnet模型，将结构相中的t2和t1ce序列作为初始输入，经过降维筛选后的14种组学特征作为中间输入，在三中心数据集的idh分类任务中能够达到88.5％左右的精准度。经过实验测试，在加入本次发明提供的新型影像特征后，模型预测的精准度、敏感度、auc指标能够得到进一步的提升。

技术实现思路

1、发明目的：针对上述现有技术存在的问题，本发明提供了一种通用的基于张量秩一分解的磁共振医学影像特征提取方法，主要目标是为医学影像诊疗提供一种可靠的影像特征信息，从数学角度诠释影像数据和诊断目标之间的联系，也为医学影像研究提供一种可靠的图像分析和类型处理指标。

2、技术方案：一种通用的基于张量秩一分解的磁共振医学影像特征提取方法，其特征在于，包括以下步骤：

3、s1：借助影像信息提取技术，从原始mri医学影像中得到关注区域roi(regionofinterest)，医学影像一般指代影像中的病变或肿瘤区域；

4、s2：按照固定大小从原图中裁剪出roi得到新的张量数据，通过一种数学的张量表示方法，将包含roi的原始张量处理后得到新型多模态数据集；

5、s3：利用多模态数据集和标签集建立带权多模态优化问题模型，求解该优化问题，得到一种新型的磁共振医学影像代数特征。

6、作为本发明的进一步改进，具体包含以下步骤：

7、步骤1：借助基于深度学习和统计学习的影像信息提取模型，从预处理后的原始医学影像当中提取出关注区域，并在原始数据上标注，得到标准的带roi医学影像数据集；

8、步骤1.1：构建一种基于unet基础架构的深度卷积神经网络模型，借助公开三维医学影像数据集例如brats(脑肿瘤分割挑战赛)、ucsf(加州大学旧金山分校脑胶质瘤)、upenn(宾夕法尼亚大学胶质瘤数据集)等，划分科学合理的影像训练集和验证集，设定合适的损失函数focal dice loss和模型参数，完成影像信息提取模型的训练，通过对比现有模型效果，选取验证精度最好的模型作为信息提取算法，实现最精准的影像roi分割；

9、步骤1.2：考虑到模型学习使用的公开数据都是标准数据，所有原始影像都处理到标准影像空间下，保持标准像素间距、标准维度和标准空间坐标，因此在使用训练好的信息提取算法之前，需要对原始医学影像进行标准化预处理：将影像数据统一变换至标准三维像素空间下，保证每个体素都是1mm3，再通过强度归一化将影像像素分布模式调整至t-分布，并将每个病例对应影像全部配准至固定目标影像。完成影像预处理工作后，利用步骤1.1中的信息提取算法，将处理后的影像数据输入模型，预测得到每组病例对应的roi。

10、步骤2：采用大小相同的窗口，对处理后的影像数据进行裁剪，尽可能保证每张图像中的roi都能包含在裁剪窗口内，得到一组分辨率降低后的含roi张量数据，通过一种张量压缩数学表示方法，将roi张量处理成秩一的向量形式，得到一种新型的多模态数据集；

11、步骤2.1：将标准化影像中的roi在原图上标注出来，并根据标注区域，采用大小相同的窗口将该区域裁剪出来，尽可能保证每张图像中的roi都能包含在裁剪窗口内，并得到一组分辨率降低后的影像张量数据，其中包含原始影像的裁剪后张量以及信息提取的mask图像裁剪后的张量数据。这里一般选取维度64*64*64的固定窗口进行裁剪，还原到原始图像就是6.43cm3的裁剪空间，这样既能够较好地匹配后续实验模型，也能尽可能减少空间损耗来裁剪roi；

12、步骤2.2：根据医学影像张量数据的特征，通过一种非负张量的秩一表示方法，分别计算裁剪后的三维影像张量在三个维度上的投影，得到三个模态下的向量作为张量的秩一表示，构成一种新型的多模态数据集x＝{x1,x2,x3}，其中xi,i＝1,2,3的长度皆为64，实现一种张量的信息压缩。

13、步骤3：利用多模态数据集和其对应的标签集，建立带权多模态优化问题模型，采用一种特别的最小二乘法求解该优化问题，解出原问题中的权重数值，并根据权重计算得到每组影像对应的特征矩阵，作为一种新型的磁共振医学影像代数特征；

14、步骤3.1：利用多模态数据集x和其对应的标签集y，并对数据集和标签集进行中心化操作构造分块对角矩阵以及数据矩阵a＝xtytyx，考虑一种基于标签的数学逼近表示wtpsxs，s＝1,2,3,根据这些参数建立一种新颖的基于影像数据的带权多模态优化问题模型

15、步骤3.2：采用一种部分正交最小二乘法求解该优化问题，解出原问题中的权重参数w和特征向量ps，将参数数值代入数学逼近表达公式，计算得到每组影像对应的特征矩阵作为一种新型的磁共振医学影像代数特征。

16、作为本发明的进一步改进，本发明应用于医学影像分类诊断、三维图像处理和信息提取领域。在医学影像分类诊断领域，针对不同类型和属性的医学影像数据，统一提取出标准化影像数据中的代数特征，将影像数据和特征数据作为分类器模型的输入，精确地实现医学影像类型预测，为医生提供诊断依据。在三维图像处理和信息提取领域，区别于常用的亮度、色彩、纹理、边缘以及各种统计特征，通过对图像数据进行张量化，将图像处理成秩一表示，实现图像信息的压缩，同时根据已知数据的秩一信息和类别信息，提供一种代表图像本身类别属性的代数特征，能作为图像分析和处理的一项有效的指导参数。

17、有益效果：

18、1、本发明通过高效算法，巧妙运用张量运算的快速求解技巧，可以根据数据集快速提取出医学影像的代数特征，相比传统组学特征的提取，每组病例的影像数据对应的特征提取时间能够减少60％以上；

19、2、通过组合传统组学特征和新型代数特征，作为医学诊疗模型的输入数据，相比单纯使用传统组学特征，能够在多中心数据集的诊疗分类任务上，提升1.5％的acc(准确度)、1.2％的auc(area under curve)指标、7％的sensitivity(敏感度指标)，有效提升了传统诊疗分类模型的预测效果；

20、3、借助张量运算方法求解的代数特征，从秩一分解到优化问题的求解，都有严格的数学理论保证，最终得到的代数特征，可以从概率学的角度诠释医学影像的类型属性的趋向性，从而更有效地提升模型对影像的类型识别能力。